基于LSMM的青海湖流域植被覆盖度时空变化分析

鲍文楷 张研 代李犇

摘要：基于2000、2008、2016年3个时相的Landsat影像，采用线性光谱混合分解模型提取了三期的青海湖流域植被覆盖度。结果表明，2000-2008年植被覆盖度有小幅度上升；而2008-2016年则表现出植被覆盖度极明显增加，这一变化与2008年启动的青海湖流域综合治理项目密切相关。

关键词：青海湖流域；线性光谱混合分解模型；植被覆盖变化

中图分类号：X87；Q948.2 文献标识码：A

文章编号：0439-8114（2018）20-0044-05

DOI：10.14088/j.cnki.issn0439-8114.2018.20.011 开放科学（资源服务）标识码（OSID）：

Abstract： Based on Landsat images from three phases in 2000，2008 and 2016，the linear spectral mixture model（LSMM） was used to extract the vegetation coverage of the Qinghai Lake Basin in the three phases. The results showed that there was a slight increase in vegetation coverage between 2000 and 2008，while the vegetation coverage indicated a very significant increase during 2008 to 2016，and the increase between 2008 and 2016 was closely related to the Qinghai Lake Basin Comprehensive Restoration Project initiated in 2008.

Key words： Qinghai Lake Basin； linear spectral mixture model； vegetation coverage change

青海湖流域地處西部干旱区、东部季风区、青藏高原区三大区域的交汇处和过渡地带，流域中湖泊及湖周丰茂的林、草等植被不仅控制和调节着湖区流域生态环境，而且起到了遏制西部荒漠化向东蔓延的重要屏障作用[1]。但该地区草原生态系统及高原湖泊生态系统结构简单，属于全球变化的敏感地区及生态环境典型脆弱地区[2]。

近几十年来，随着国民经济的快速增长，青海湖的生态环境出现了明显的变化。其中青海湖湖体的变化和青海湖流域的草原退化状况成为学术界、公众和政府决策部门关注的焦点。潘耀忠等[3]认为研究植被覆盖度及其变化是全球气候变化及陆地生态系统响应的重要表征也是有价值的研究内容。因此通过青海湖流域植被覆盖度的研究可以衡量该区地表植被状况和区域生态环境变化。

在应用遥感手段进行环境变化的监测和评价中，植被指数法（如NDVI）、回归模型法和监督/非监督分类是人们常用的方法，然而由于青海湖流域属于大面积半干旱地区，植被相对稀疏，以草地、低矮灌木为主，以上方法均在本研究中表现出其不适宜性。例如，在干旱、半干旱地区NDVI对植被的检测能力明显下降，因而并不能很好地反映植被盖度和土地覆盖的变化。回归模型法虽然精度较高，但需要大量实测数据参与训练和建模，其建模结果仅适于小范围的特定地区，可推广性差。至于常规的监督/非监督分类的方法，由于研究区环境背景的复杂性，以及不同时相遥感影像间的差异性，也同样不利于结果的分析和对比[4]，而光谱混合分解模型不需要实测数据参与建模，尤其适用于大尺度低分辨率遥感影像，在植被覆盖度遥感估算应用上具有较大的潜力。张熙川等[5]的研究表明通过线性光谱混模型（LSMM）的分析方法对内蒙古中西部地区进行土地退化的快速评价，可取得较满意的结果；赵英时[6]以美国中西部沙山地区为研究对象，借助LSMM模型提取了对该区有生态环境指示意义的沙地、湿地、植被盖度信息，并分析了该区近20年来的环境变化及其与气候变化的关系；周纪等[7]基于LSMM模型，提出了城市地表端元的优化选取方法，进行北京城市不透水层覆盖度的估算，结果符合实际情况，精度较高。

本研究拟采用线性光谱混合分解模型，基于2000、2008、2016年3个时相的Landsat TM/ETM+数据，对青海湖流域植被覆盖度进行分别提取。同时通过多角度调查和综合分析，揭示青海湖流域植被覆盖度时空分布特点，并对青海湖流域植被覆盖度变化原因进行讨论。

1 研究区概况

青海湖流域位于青海省东北部，介于36°15′-38°20′N，97°50′-101°22′E，呈四周环山封闭式盆地状，面积29 660 km2，海拔3 194～5 174 m。青海湖流域地处亚欧大陆内部，为半干旱温带大陆性气候。受大陆气团影响，干旱少雨，太阳辐射强，夏天和秋天短暂而凉爽，春季和冬季寒冷而漫长，流域多年平均气温-1.4～1.7 ℃[8]。

流域内河网分布不均衡，西北部与东南部比较而言，河网较密集，也有较大径流量。大小河流40多条，约有16条集水面积可达300 km2以上，主要的河流有布哈河、沙柳河等[9]。

流域区内有高山、低山丘陵、低洋的湖盆滩地和湖滨沼泽以及众多分散的沙地，复杂的地形地貌及生境条件造就湖区植被的复杂多样性，表现为温性植被与高寒植被共存的分布格局。其主要植被类型为寒温性针叶林、高寒灌丛、温性草原、高寒草原、高寒草甸、沼泽草甸等[10]。

2 数据源与预处理

2.1 数据源

基于3期（2000年、2008年和2016年，每期各6景）30 m分辨率Landsat系列5、7、8 TM/ETM+/OLI影像，云量均控制在5%以内，且云区基本控制在流域范围以外（表1）。辅以1∶100万土壤图和植被分类图，开展青海湖流域植被覆盖度信息提取工作。

2.2 数据预处理

2.2.1 辐射定标与大气校正 辐射定标的主要目的是将传感器记录值转换成辐射亮度值以便消除传感器带来的误差，是进行大气校正的前导步骤。辐射定标可以通过ENVI中Radiometric calibration模块进行处理；但需要说明的是由于Landsat7ETM+机载扫描行校正器（SLC）在2003年发生故障，导致此后获取的Landsat7影像出现数据条带丢失，而经过ENVI补丁工具修复后的影像只能通过Band Math功能进行公式定标，其余处理步骤均相同。

传感器在探测地表信息的过程中由于受到地形因素和大气成分吸收和散射的影响會夹杂一些多余的目标外信息，导致遥感影像的精度下降。大气校正的目的就是为了尽量消除这些因素的影响。本次研究采用MODTRAN模型进行大气校正（通过ENVI中FLAASH模块实现）从而得到真实地面反射率等物理量。

2.2.2 镶嵌与裁剪 为了得到完整的青海湖流域，需要将每期各6景影像进行镶嵌拼接，但是由于每景影像都带有齿纹边，所以镶嵌之前要对每景影像进行去边处理。将影像镶嵌完成后，利用青海湖流域的矢量边界进行裁剪即可得到研究区域。如图1所示为采用真彩色合成的2016年青海湖流域遥感影像图。

3 研究方法

3.1 线性光谱混合分解模型

遥感影像显示的像元是地表一定范围内地物的光谱特征的综合表现，而且这种综合表现的形式是混合像元。光谱混合模型先假定地表物质组分足够大或者不透光，从而可以保证光子仅与一个地表物质组分发生作用。而又因为辐射传递过程是具有可加性的，地物光谱组合可以利用最小二乘法并保证各组分（端元）总和为1，从而通过线性混合方程进行分解[11-13]。

3.2 端元提取

3.2.1 主成分确定与端元选择 端元类型、数量、取值都会直接影响到遥感估算的最终结果[15]。关于端元的数量，理论上认为端元数量不超过影像波段数即可，普遍认为端元数目越多，分类越详细，就能更精确地反映地表的真实组成。然而当端元数目增多时，端元间干扰因素增大，模型拟合的准确性会随之降低[16]。因此在本研究中采用了针对非城镇地区最为常用的植被-土壤-阴影（Vegetation-Soil-Shade，V-S-S）三端元模型。

3.2.2 端元波谱提取 纯净像元指数法（PPI）是目前应用最广且最被认可的方法，并且已经成功在ENVI中实现，因此本研究选取此法进行端元波谱的提取。运行该算法，首先要对影像利用最小噪声分离变换（MNF），进行降维处理从而确定主成分次序（类似于PCA主成分分析）。PPI的运算结果标识了像元为纯像元的概率，为后续的人机交互解译提供指导作用[17]。之后，通过ENVI中内置的n维可视化工具手动选取端元，再结合遥感影像和其他专业知识进行对比验证，才能最终确定端元的类别，获得各端元的波谱特征信息。

3.2.3 端元解混 将各端元提取出来之后，使用ENVI spectral unmixing工具进行丰度解混，得到各端元及RMS误差影像。其中植被端元影像中每个像元的data值代表了在该像元中植被所占的百分比。

3.2.4 分类后处理 由于采用了半约束的混合分解模型，因此分解得到的百分比存在部分小于0或大于1的情况。结合国内外相关研究发现，data值在-0.1～1.1属于可以接受的范围。因此将极少部分不在此范围的值进行掩膜后，再采用相同的方法将 -0.1～0的值重置为0，1.0～1.1的值重置为1。这样处理后的结果相对比较理想，相当于间接满足了全约束的条件。

4 结果与分析

4.1 植被覆盖度分级

参考当前应用最为广泛的植被覆盖度分级体系，同时考虑到本研究区植被普遍较为稀疏的特点，对覆盖度<60%的部分进行了更详细的划分，从而使该体系更契合研究区的特点。如表2所示，共分为5级，包括裸地、低、中低、中、高植被覆盖5种不同的类型。通过ArcGIS10.3制图功能将处理结果重新分类后制成植被覆盖度分布示意。

4.2 植被覆盖变化分析

如表3所示，3年期各不同覆盖度类别的面积比例可以较为直观地读出。作者并未将青海湖及流域内其他河流等水体算入裸地类别，且认为其面积在2000—2016年期间并无明显变化。

4.2.1 面积比例变化 由图2可以看出，裸地表现出了持续下降趋势，而中植被覆盖度类别持续上升，其余3类在2000—2016年均表现出波动变化的特征。当仅观察始、末点的变化时，发现裸地的比例减少了26.83%，低植被覆盖地类的比例减少了26.74%；相对应的高覆盖度地类比例增加了37.63%，中低和中覆盖度地类共增加了15.95%。

仅从数量上来看，在这16年间，植被覆盖度低于30%的地类（裸地和低覆盖度地类）面积大幅减少，取而代之的主要是植被覆盖度大于60%的高覆盖度地类和其他少部分覆盖度介于30%～60%的地类。

4.2.2 空间分布变化 由图3可以看出，由于2002年以后青海湖流域内多项生态保护措施的推行，2000—2016年总体植被覆盖度有了较明显的增加，裸地等低覆盖度地类面积大幅下降，而高覆盖度的面积明显增加。而从空间分布角度可以更加直观地看出植被覆盖变化的主要地点和扩展规律。

2000—2008年，由于植被生长周期较长，因而退耕还林的效果还不明显，但仍能看出植被覆盖增加的趋势，裸地比例由35.26%降至28.35%，低覆盖度、中低和中覆盖度地类比例均表现出不同程度的增加。从空间上来看，流域中南部的大片裸地在2008年部分转变为低和中低覆盖度地类；此外，还有一个明显的变化是2008年高覆盖度地类的分布相对更加集中，推测应该与在湖区南部的人工造林活动有关；其余的变化并不明显。

2008—2016年，可以观察到植被覆盖度分布有了极为明显的变化。高覆盖度地类占比高达44.16%，主要分布在流域中部和青海湖的北部及南部，几乎完全取代了2008年的大片裸地和中、低覆盖度地类。此外，原来的裸地中除了部分常年性沙地和高山外也基本被低覆盖度地类替代；而原来在流域西部占主导的低覆盖度地类也大部分转变为了中低覆盖度类型。

总体来说，随着退耕还林还草政策的落实及流域生态保护项目的开展，2000-2016年间流域内植被覆盖度有了极为明显的上升，全流域除个别地区情况特殊外基本实现了植被全覆盖，其中植被较为茂密的地区主要分布在流域的中部和湖区的北部及南部。

5 小结与讨论

研究表明，植被覆盖变化主要来自两方面：一是青海湖流域内植被覆盖度受各种自然及人为因素的影响而产生的植被覆盖度真实变化；二是进行数据采集和处理时因设备原因、天气原因和技术手段不足而造成的偏差。

影响植被覆盖变化的因素主要有以下3个方面。

1）退耕还林及流域综合治理措施。从2002年开始，国家在青海湖流域开始实行退耕还林和退牧还草等生态保护政策；2008年，总投资超过15亿元的青海湖流域生态环境保护与综合治理项目启动。以上多种措施无疑都为流域植被覆盖的增加和生态改善做出了巨大贡献。

2）气候变化及人类干扰。近20年来全球气候变暖的趋势日益凸显，气候变化引起的物种优胜劣汰和植被分布模式的变化尽管从短期来看并不明显，但其影响仍不容忽视。

此外，煤炭粗放式开采、城市扩张、放牧、铁路公路的建设以及旅游业的发展都会在不同程度上对植被的分布产生影响，造成植被分布的无规律波动。

3）其他条件带来的偏差。首先是气象条件，尽管遥感图像经过大气校正等处理手段，但仍不可避免薄云、薄雪覆盖等因素带来的分类误差。第二是土壤条件，有研究学者发现植被覆盖度受到土壤结构、土壤颜色的影响，且在类似本研究区这样的干旱、半干旱环境下产生的影响更大。第三是阴影，由于影像拍摄角度及地形起伏、地物遮挡等因素，不可避免会产生阴影，而這将在很大程度上影响分类的准确性。国内外的相关研究一般都将阴影剔除后再进行植被覆盖度计算。最后是遥感器的不同产生的影响，由于本研究的时间跨度较大，采用的影像涉及3种不同的卫星传感器，而不同传感器由于技术的升级和光谱响应函数的不同导致影像质量不尽相同，这也必将会对分类结果的对比带来挑战[18]。

参考文献：

[1] 陈克龙，朵海瑞，李 准，等.基于景观结构变化的青海湖流域湿地空间分析[J].湿地科学与管理，2009，5（4）：36-39.

[2] 高会军，李小强，张 峰，等.青海湖地区生态环境动态变化遥感监测[J].中国地质灾害与防治学报，2005，16（3）：100-103.

[3] 潘耀忠，李晓兵，何春阳.中国土地覆盖综合分类研究——基于NOAA/AVHRR和Holdridge PE[J].第四纪研究，2000，20（3）：270-281.

[4] 赵英时，杨 忆.全新世海侵痕迹遥感信息特征提取方法研究[J].地理研究，1996，15（1）：73-81.

[5] 张熙川，赵英时.应用线性光谱混合模型快速评价土地退化的方法研究[J].中国科学院研究生院学报，1999，16（12）：169-176.

[6] 赵英时.美国中西部沙山地区环境变化的遥感研究[J].地理研究，2001，20（2）：213-219.

[7] 周 纪，陈云浩，张锦水，等.北京城市不透水层覆盖度遥感估算[J].国土资源遥感，2007（3）：13-17，27.

[8] 陈克龙，李双成，周巧富，等.近25年来青海湖流域景观结构动态变化及其对生态系统服务功能的影响[J].资源科学，2008， 30（2）：274-280.

[9] 刘 佳，王 芳，于福亮.青海湖水位动态趋势预测[J].水利学报，2009，40（3）：319-327.

[10] 张 伟.青海湖流域湿地生态环境质量现状评价[D].西宁：青海师范大学，2012.

[11] ROBERTS D A，GARDNER M，CHURCH R，et al. Mapping chaparral in the Santa Monica Mountains using multiple endmember spectral mixture models[J].Remote Sensing of Environment，1998，65（3）：267-279.

[12] SMITH M O，USTIN S L，ADAMS J B，et al. Vegetation in deserts：I. A regional measure of abundance from multispectral images[J].Remote Sensing of Environment，1990，31（1）：1-26.

[13] PIWOWAR J M，PEDDLE D R，LEDREW E F. Temporal mixture analysis of arctic sea Ice imagery：A new approach for monitoring environmental change[J].Remote Sensing of Environment，1998，63（3）：195-207.

[14] ZHOU X，FOLVING S. Application of spectral mixture modelling to the regional assessment of land degradation： A case study from basilicata，Italy[J].Land Degradation & Development，1994，5（3）：215-222.

[15] 廖春华，张显峰，刘 羽.基于多端元光谱分解的干旱区植被覆盖度遥感反演[J].应用生态学报，2012，23（12）：3243-3249.

[16] 周亚男，骆剑承，沈占锋，等.基于局部端元提取的遥感影像波段模拟[J].光谱学与光谱分析，2013，33（12）：3349-3353.

[17] 杨 强，张 志，覃志豪，等.基于ASTER数据的混合像元分解技术在水质监测与评价中的应用[J].遥感信息，2011（2）：20-25.

[18] 刘金锋.基于多源遥感数据的青海湖流域植被指数研究[D].西宁：青海师范大学，2014.